Vi nærmer oss et punkt der AI-modeller er i stand til å utføre mer og mer avanserte kunnskapsarbeidsoppgaver, men vi trenger anvendte agenter for å utnytte deres fulle verdi. Dette er grunnen til at det er så mange muligheter i å gjøre domenespesifikke AI-agenter akkurat nå. Kombinasjonen av dyp domeneekspertise i en vertikal eller bransje, utnyttelse av eksisterende bedriftsdata og skreddersydd brukeropplevelse for disse arbeidsflytene som lar brukere gjennomgå eller orkestrere arbeidet vil være avgjørende. Og fordi selskaper sannsynligvis må tenke nytt om sine underliggende prosesser for å få full verdi fra agenter, betyr dette at det vil være behov for en høy grad av endringsledelse for mange av disse mest avanserte brukstilfellene. Dette skaper ytterligere mulighet for dedikerte spillere til å angripe disse rommene.

Dette er nettopp Jevons paradoks i handling i den reneste formen. Fordi kostnadene for AI-tokens har gått ned, har vi nå råd til å bruke langt flere av dem til stadig mer komplekse oppgaver. Hovedpoenget er derfor ikke at "AI blir dyrere"; I stedet er det at fordi det blir billigere og mer kapabelt, bruker vi mer av det til å løse problemer bedre. For nesten alle like-for-like-oppgaver bruker vi bare mye flere tokens for å fullføre oppgaven for å levere langt bedre resultater. Enten det er å skrive kode, svare på et helsespørsmål eller analysere en kontrakt, bruker vi langt mer AI i dag for å utføre det arbeidet fordi vi trenger de ekstra ytelsespunktene. Å få et 99 % riktig svar når du jobber med en juridisk kontrakt er *veldig* forskjellig fra et 90 % riktig svar, og det er lett verdt 10X til 100X økningen i tokens. Nå, på *et tidspunkt* vil vi begynne å nå platåer for visse typer oppgaver, og da vil kostnaden per oppgave gå ned. For eksempel trenger vi sannsynligvis ikke 100 ganger flere tokens enn vi bruker i dag for å svare på et enkelt medisinsk spørsmål eller oppsummere et dokument. Så til slutt, på en like-for-like-basis, vil disse arbeidsbelastningene bli billigere ettersom vi er i stand til å fange opp effektivitetsgevinstene fra modellene. *Men*, den generelle syklusen vil fortsette i hovedsak for alltid, fordi vi bare vil fortsette å heve standarden for hva vi gjør med AI. Ettersom tokens fortsetter å bli billigere på grunn av algoritmiske gjennombrudd, konkurranse i GPU-priser, generell dataeffektivitet og åpne vektalternativer, vil vi finne det neste settet med måter å konsumere tokenene på. Vi vil distribuere langt flere agenter parallelt for å fremskynde oppgaver, vi vil bruke multiagentsystemer for å sammenligne svar og komme til konsensus, vi vil løse mer komplekse kunnskapsarbeidsproblemer, og vi vil ha mye lengre løpende agenter i bakgrunnen. AI vil både samtidig alltid bli billigere, og dyrere.

Produktadministrasjon for AI-agenter er lett den villeste formen for produktadministrasjon i historien. Typisk produktledelse er å prøve å finne ut hvordan man designer grensesnitt og programvare slik at folk kan samhandle med deterministiske systemer. Brukeren kjenner generelt all konteksten for å gjøre arbeidet sitt vellykket, så det er generelt et spørsmål om å spikre den underliggende forretningslogikken og den omkringliggende brukeropplevelsen. Men med AI-agenter er brukeren du bryr deg mest om agenten, og de vet ingenting som standard. De vil gjerne løpe i alle retninger for å utføre oppgaven, ofte uten å lykkes. Så som PM (eller ingeniør) bruker du i utgangspunktet tiden din på å prøve å reversere "hva vil et menneske trenge som kontekst for å utføre denne oppgaven", og deretter finne ut hvordan du kan designe systemer for å få agenten disse dataene i riktig rekkefølge, med de riktige verktøyene og instruksjonene. Noen av disse systemene er helt usynlige for den menneskelige brukeren, men en del av håndverket er like mye hvordan sluttbrukeren vil samhandle med agenten for å levere denne konteksten. Deretter er det ofte uendelig prøving og feiling for å oppnå inkrementelle kvalitetspoeng på hvert trinn. Dette er spesielt grunnen til at personer med dyp domeneekspertise, eller de som kan tilegne seg den raskt, vil gjøre det ekstremt bra med å bygge AI-agenter. Evnen til å forutse konteksten som agenten trenger for å lykkes, er en stor avgjørende faktor for hvor effektiv agenten vil være. Dette forklarer delvis hvorfor kodeagenter har fungert så bra ut av porten; fordi byggerne har en dyp forståelse av domenet de jobber med å automatisere. Men det er klart at vi raskt kommer til å se det samme resultatet på tvers av alle felt – juss, helsevesen, finans osv.